2026年滴滴出行产品运营岗SQL取数题目与逻辑分析

2026年滴滴出行产品运营岗SQL取数题目与逻辑分析题型一：基础SQL查询与数据提取（共3题，每题10分）题目1（10分）：滴滴出行平台每日会记录用户的出行订单数据。请编写SQL查询语句，统计2026年3月1日-3月7日期间，北京市所有订单的总行程公里数和订单数量，并按订单类型（如“快车”、“专车”、“豪华车”）分组排序。题目2（10分）：假设存在一张用户画像表`user_profile`，包含字段`user_id`（用户ID）、`city`（城市）、`age`（年龄）、`注册时间`（register_date）。请编写SQL查询语句，筛选出2026年1月1日之后注册的上海用户，并按年龄分组，统计每个年龄段的用户数量，结果按年龄升序排序。题目3（10分）：滴滴出行会记录司机端的接单数据，表名为`driver_order`，字段包括`order_id`（订单ID）、`driver_id`（司机ID）、`accept_time`（接单时间）、`complete_time`（完成时间）、`city`（城市）。请编写SQL查询语句，统计2026年2月15日，上海市所有订单的平均接单时长（即`accept_time`与`complete_time`的差值），结果保留两位小数。题型二：复杂SQL查询与多表关联（共4题，每题12分）题目4（12分）：滴滴出行同时记录用户评价数据，表名为`user_feedback`，字段包括`feedback_id`（评价ID）、`order_id`（订单ID）、`score`（评分，1-5分）、`comment`（评价内容）。另有一张订单表`order_info`，字段包括`order_id`（订单ID）、`price`（订单金额）、`passenger_count`（乘客数量）。请编写SQL查询语句，统计2026年第一季度（1月-3月）中，评分大于4分的订单，并计算这些订单的平均金额和平均乘客数量，结果按评分降序排序。题目5（12分）：滴滴出行会统计司机端的活跃度数据，表名为`driver_activity`，字段包括`driver_id`（司机ID）、`date`（日期）、`trip_count`（接单次数）、`income`（收入）。另有一张司机画像表`driver_profile`，字段包括`driver_id`（司机ID）、`city`（城市）、`join_date`（加入时间）。请编写SQL查询语句，筛选出2026年5月，上海市且加入时间早于2026年1月的司机，并计算这些司机的平均接单次数和总收入，结果按平均接单次数降序排序。题目6（12分）：滴滴出行会记录用户优惠券使用情况，表名为`coupon_usage`，字段包括`user_id`（用户ID）、`coupon_id`（优惠券ID）、`usage_date`（使用时间）、`discount_amount`（折扣金额）。另有一张用户消费表`user_order`，字段包括`user_id`（用户ID）、`order_id`（订单ID）、`total_amount`（订单总额）。请编写SQL查询语句，统计2026年6月，使用优惠券且折扣金额大于10元的用户，并计算这些用户的总订单金额和使用优惠券次数，结果按总订单金额降序排序。题目7（12分）：滴滴出行会记录用户下单后的取消行为，表名为`order_cancel`，字段包括`order_id`（订单ID）、`cancel_time`（取消时间）、`reason`（取消原因）。另有一张订单表`order_info`，字段包括`order_id`（订单ID）、`order_time`（下单时间）、`city`（城市）。请编写SQL查询语句，统计2026年7月，深圳市的订单取消情况，并按取消原因分组统计取消订单数量，结果按取消订单数量降序排序。题型三：窗口函数与复杂逻辑分析（共3题，每题15分）题目8（15分）：滴滴出行会记录用户的月度出行频次，表名为`user_order`，字段包括`user_id`（用户ID）、`order_date`（订单日期）、`city`（城市）。请编写SQL查询语句，统计2026年全年，北京市用户的月度出行频次（即每月的订单数量），并使用窗口函数计算每个用户的月度出行频次在全年的排名，结果按`user_id`和`order_date`排序。题目9（15分）：滴滴出行会记录司机端的收入波动情况，表名为`driver_income`，字段包括`driver_id`（司机ID）、`date`（日期）、`income`（收入）。请编写SQL查询语句，统计2026年8月，上海市司机的每日收入，并使用窗口函数计算每个司机当日的收入是否高于其当月平均收入，结果中需显示`driver_id`、`date`、`income`以及高于平均收入的标识（是/否）。题目10（15分）：滴滴出行会记录用户优惠券使用与订单金额的关系，表名为`coupon_order`，字段包括`user_id`（用户ID）、`order_id`（订单ID）、`coupon_discount`（优惠券折扣金额）、`order_amount`（订单金额）。请编写SQL查询语句，统计2026年9月，使用优惠券的订单，并使用窗口函数计算每个订单的优惠券折扣占比（即`coupon_discount`/`order_amount`），同时筛选出优惠券折扣占比大于20%的订单，结果按`user_id`和`order_id`排序。题型四：数据聚合与业务场景分析（共2题，每题20分）题目11（20分）：滴滴出行希望分析用户在不同时段的出行需求，表名为`order_time`，字段包括`order_id`（订单ID）、`order_date`（订单日期）、`order_hour`（订单小时，如“08:00”对应的值为8）、`city`（城市）。请编写SQL查询语句，统计2026年10月，广州市每个小时的订单数量，并使用窗口函数计算每个小时的订单数量是否高于当天的平均订单数量，结果中需显示`order_hour`、`order_date`、`订单数量`以及高于平均的标识（是/否）。题目12（20分）：滴滴出行希望分析司机端的接单效率，表名为`driver_order`，字段包括`driver_id`（司机ID）、`accept_time`（接单时间）、`complete_time`（完成时间）、`city`（城市）。请编写SQL查询语句，统计2026年11月，成都市司机的平均接单时长（即`accept_time`与`complete_time`的差值），并使用窗口函数计算每个司机当日的接单时长是否高于当日平均接单时长，结果中需显示`driver_id`、`order_date`、`平均接单时长`以及高于平均的标识（是/否）。答案与解析题目1（10分）：sqlSELECTorder_type,SUM(distance)AStotal_distance,COUNT()ASorder_countFROMorder_infoWHEREorder_dateBETWEEN'2026-03-01'AND'2026-03-07'ANDcity='北京市'GROUPBYorder_typeORDERBYorder_type;解析：1.筛选条件：`order_date`在指定日期范围内，且`city`为“北京市”。2.聚合字段：`SUM(distance)`计算总行程公里数，`COUNT()`计算订单数量。3.分组：按`order_type`（订单类型）分组，以便统计不同类型订单的指标。4.排序：按`order_type`升序排序，便于查看不同类型订单的统计结果。题目2（10分）：sqlSELECTage,COUNT()ASuser_countFROMuser_profileWHEREcity='上海'ANDregister_date>'2026-01-01'GROUPBYageORDERBYageASC;解析：1.筛选条件：`city`为“上海”，且`register_date`在2026年1月1日后。2.聚合字段：`COUNT()`统计每个年龄段的用户数量。3.分组：按`age`分组，以便统计不同年龄段的用户数量。4.排序：按`age`升序排序，便于查看年龄分布。题目3（10分）：sqlSELECTAVG(TIMESTAMPDIFF(MINUTE,accept_time,complete_time))ASavg_accept_durationFROMdriver_orderWHEREaccept_time>='2026-02-15'ANDaccept_time<DATE_ADD('2026-02-15',INTERVAL1DAY)ANDcity='上海市';解析：1.筛选条件：`accept_time`在2026年2月15日当天，且`city`为“上海市”。2.聚合函数：`TIMESTAMPDIFF(MINUTE,accept_time,complete_time)`计算接单时长（分钟），`AVG()`计算平均值。3.结果保留两位小数：可在`SELECT`语句中添加`ROUND(...,2)`，但此处未要求。题目4（12分）：sqlSELECTAVG(price)ASavg_price,AVG(passenger_count)ASavg_passenger,COUNT()AShigh_score_countFROMuser_feedbackASufJOINorder_infoASoiONuf.order_id=oi.order_idWHEREuf.score>4ANDoi.order_dateBETWEEN'2026-01-01'AND'2026-03-31';解析：1.连接：`user_feedback`与`order_info`通过`order_id`关联。2.筛选条件：`score`大于4分，且`order_date`在2026年第一季度。3.聚合字段：`AVG(price)`计算平均金额，`AVG(passenger_count)`计算平均乘客数量，`COUNT()`统计高评分订单数量。4.排序：未要求排序，但实际业务中可按`score`降序。题目5（12分）：sqlSELECTdriver_id,AVG(trip_count)ASavg_trips,SUM(income)AStotal_incomeFROMdriver_activityJOINdriver_profileONdriver_activity.driver_id=driver_profile.driver_idWHEREdriver_activity.dateBETWEEN'2026-05-01'AND'2026-05-31'ANDdriver_profile.city='上海市'ANDdriver_profile.join_date<'2026-01-01'GROUPBYdriver_id;解析：1.连接：`driver_activity`与`driver_profile`通过`driver_id`关联。2.筛选条件：`date`在2026年5月，`city`为“上海市”，且`join_date`早于2026年1月。3.聚合字段：`AVG(trip_count)`计算平均接单次数，`SUM(income)`计算总收入。4.分组：按`driver_id`分组，以便统计每个司机的指标。题目6（12分）：sqlSELECTuser_id,SUM(total_amount)AStotal_order_amount,COUNT()AScoupon_usage_countFROMcoupon_usageAScuJOINuser_orderASuoONcu.user_id=uo.user_idWHEREcu.usage_dateBETWEEN'2026-06-01'AND'2026-06-30'ANDcu.discount_amount>10GROUPBYuser_id;解析：1.连接：`coupon_usage`与`user_order`通过`user_id`关联。2.筛选条件：`usage_date`在2026年6月，且`discount_amount`大于10元。3.聚合字段：`SUM(total_amount)`计算总订单金额，`COUNT()`统计优惠券使用次数。4.分组：按`user_id`分组，以便统计每个用户的指标。题目7（12分）：sqlSELECTreason,COUNT()AScancel_countFROMorder_cancelJOINorder_infoONorder_cancel.order_id=order_info.order_idWHEREorder_cancel.cancel_timeBETWEEN'2026-07-01'AND'2026-07-31'ANDorder_info.city='深圳市'GROUPBYreasonORDERBYcancel_countDESC;解析：1.连接：`order_cancel`与`order_info`通过`order_id`关联。2.筛选条件：`cancel_time`在2026年7月，且`city`为“深圳市”。3.聚合字段：`COUNT()`统计每个取消原因的订单数量。4.分组：按`reason`分组，以便统计不同取消原因的订单数量。5.排序：按`cancel_count`降序排序，便于查看主要取消原因。题目8（15分）：sqlWITHMonthlyOrdersAS(SELECTuser_id,MONTH(order_date)ASorder_month,COUNT()ASmonthly_tripsFROMuser_orderWHEREorder_dateBETWEEN'2026-01-01'AND'2026-12-31'ANDcity='北京市'GROUPBYuser_id,order_month),UserRanksAS(SELECTuser_id,order_month,monthly_trips,RANK()OVER(PARTITIONBYuser_idORDERBYmonthly_tripsDESC)AStrip_rankFROMMonthlyOrders)SELECTuser_id,order_month,monthly_trips,trip_rankFROMUserRanksORDERBYuser_id,order_month;解析：1.CTEMonthlyOrders：统计北京市每个用户的月度订单数量。2.CTEUserRanks：使用窗口函数`RANK()`计算每个用户每月的出行频次排名。3.最终查询：输出`user_id`、`order_month`、`monthly_trips`以及`trip_rank`。4.排序：按`user_id`和`order_month`排序，便于查看每个用户每月的排名变化。题目9（15分）：sqlWITHDriverDailyIncomeAS(SELECTdriver_id,DATE(date)ASorder_date,incomeFROMdriver_incomeWHEREdateBETWEEN'2026-08-01'AND'2026-08-31'ANDcity='上海市'),DriverAveragesAS(SELECTdriver_id,AVG(income)ASavg_incomeFROMDriverDailyIncomeGROUPBYdriver_id)SELECTdpi.driver_id,dpi.order_date,dpi.income,CASEWHENdpi.income>da.avg_incomeTHEN'是'ELSE'否'ENDASabove_avgFROMDriverDailyIncomeASdpiJOINDriverAveragesASdaONdpi.driver_id=da.driver_id;解析：1.CTEDriverDailyIncome：统计上海市每个司机每日的收入。2.CTEDriverAverages：计算每个司机的月度平均收入。3.最终查询：连接每日收入与月度平均收入，使用`CASE`语句判断每日收入是否高于平均收入。4.结果中包含`driver_id`、`order_date`、`income`以及“高于平均”的标识。题目10（15分）：sqlSELECTuser_id,order_id,coupon_discount,order_amount,ROUND(coupon_discount/order_amount,2)ASdiscount_ratio,CASEWHENcoupon_discount/order_amount>0.2THEN'是'ELSE'否'ENDAShigh_discountFROMcoupon_orderWHEREorder_dateBETWEEN'2026-09-01'AND'2026-09-30'ANDcoupon_discount>0ORDERBYuser_id,order_id;解析：1.筛选条件：`order_date`在2026年9月，且`coupon_discount`大于0（即使用了优惠券）。2.聚合字段：`ROUND(coupon_discount/order_amount,2)`计算优惠券折扣占比，保留两位小数。3.条件判断：使用`CASE`语句判断折扣占比是否大于20%。4.排序：按`user_id`和`order_id`排序，便于查看每个订单的折扣情况。题目11（20分）：sqlWITHHourlyOrdersAS(SELECTorder_hour,DATE(order_date)ASorder_date,COUNT()ASorder_countFROMorder_timeWHEREcity='广州市'ANDorder_dateBETWEEN'2026-10-01'AND'2026-10-31'GROUPBYorder_hour,order_date),DailyAveragesAS(SELECTorder_date,AVG(order_count)ASavg_order_countFROMHourlyOrdersGROUPBYorder_date)SELECTho.order_hour,ho.order_date,ho.order_count,CASEWHENho.order_count>da.avg_order_countTHEN'是'ELSE'否'ENDASabove_avgFROMHourlyOrdersAShoJOINDailyAveragesASdaONho.order_date=da.order_dateORDERBYho.order_date,ho.order_hour;解析：1.CTEHourlyOrders：统计广州市每个小时的订单数量。2.CTEDailyAverages：计算每天的平均订单